[智能应用]AI应用触及产业深水区 价值闭环走向完备 [复制链接]

随着AI大模型快速发展，从基础设施到上层应用的演进正成为新一轮科技竞争的关键。
一种行业观点认为，基座大模型的数量未来将持续收敛至个位数左右，但围绕千行百业将衍生出诸多更为丰富的垂域模型与应用，那也将是本轮AI浪潮真正引发技术变革的关键所在。
其中，物理AI成为一种重要关注窗口，正加速推进具身智能、自动驾驶等领域演进，有望深刻改变未来社会的运行方式。但技术路线仍存分歧，法律、合规与伦理等软性基础尚在夯实。而进入“Agent元年”，让AI技术真正触及实体经济的“深水区”，仍有挑战需要克服。
中兴通讯首席发展官崔丽接受21世纪经济报道记者专访时，深入分析了物理AI的技术路线走向。据她观察，一些具体行业已经在真正借力AI，率先完成价值闭环。
物理AI之辩
2025年初，Sora的横空出世因其高度还原物理世界的视频生成能力，引发关于“世界模型”的广泛讨论，也让物理AI的两条核心路线——世界模型与 VLA（视觉语言模型）的竞争浮出水面。
崔丽对记者分析道，Sora等模型的爆发，标志着AI正从单纯的“预测者”向“模拟者”进化，是从“数据驱动”到“模型仿真驱动”到“物理对齐”到“通用模拟”的范式转移，也是AI落地物理世界如自动驾驶、具身智能等必须解决的问题，即实现对物理世界进行模拟和互操作。
但她也指出，目前的Sora只是一个“视觉模拟器”，而非真正的“物理世界模型”。“真正的世界模型必须具备因果推理、反事实推演和物理一致性。Sora生成的视频虽然在视觉上极具欺骗性，但在物理逻辑上经常崩溃。”她补充道。
其原因有二：一方面，生成式模型本质上是学习像素分布的统计相关性，而非物理因果性，因此会常看到违背动量守恒或物体凭空消失的“物理幻觉”。另一方面，生成式模型侧重于“视觉渲染”，即生成给人看的像素，而机器人和自动驾驶需要的世界模型侧重于“状态预测”，即生成用于决策的物理状态，彼此间产生功能错位。
当前，世界模型的路线已分化成了“生成派”和“表征派”：Sora和李飞飞的Marble属于前者，技术本质是通过海量感官数据（视频）归纳世界规律的经验主义；“表征派”则是杨立昆的JEPA（Joint Embedding Predictive Architecture，联合嵌入预测架构），技术本质是通过构建内在结构（表征）推演世界状态的理性主义，强调通过模块化设计和自监督学习获取抽象表征。
由于其不同特点，相对来说，生成派适合做数据工厂或仿真训练；表征派适合做决策大脑，做实时推理。
而谈及应用于具身智能领域的VLA模型与世界模型，崔丽指出，这不仅是算法架构的竞争，更是关于“智能本质是直觉还是推理”的哲学探讨。
其中，VLA模型的核心理念是将机器人的控制问题转化为序列建模问题，最大的产业价值在于其零样本泛化能力，局限在于缺乏因果推理，且严格依赖训练数据覆盖度。
世界模型主张机器人应当先构建环境的内部模型，在潜在空间中进行数百万次的虚拟试错，这种方法使得机器人可以在极少真实交互的情况下学会复杂任务，样本效率远超VLA。
“产业界正呈现出VLA与世界模型融合的趋势。”崔丽观察指出，比如利用VLA进行高层策略规划，利用世界模型进行底层动作验证。
AI原生的催化
在AI技术加持下，网络架构也正从“云原生”向“AI原生”演变。
崔丽分析道，过去的十年，云原生成功解决了互联网应用面临的弹性伸缩和敏捷开发需求，互联网流量表现为“南北向”为主的特征，数据包小而离散，对时延抖动有一定容忍度，网络体现为“尽力而为”。
然而，大模型时代到来，不仅令流量规模增长，流量特征也专项分布式“同步计算”，这会带来“大象流”、丢包零容忍、微秒级时延敏感等特点，需要网络做到“万无一失”。
“网络架构必须向‘AI原生’演进，核心不再是资源虚拟化，而是极致的性能无损和算网协同，具备内生智能、确定性保障和算网一体等关键特征。”她总结道。
而在应用或操作系统层面，崔丽指出，云原生应用主要以K8S为底座，以微服务架构和微服务间通信为代表，AI原生应用主要以“大模型+Agent”为底座，以Agent及Agent间通信为代表。“云原生应用和AI原生应用会趋于融合，成为云智一体原生应用。”
探索智能体元年
2025年被称为“Agent元年”，将有望推动千行百业更为彻底地转型，在进行内部流程再造的同时，也进一步提升价值空间。
对此，崔丽对记者分析道，人工智能技术正在从以“内容生成”为核心的Copilot辅助模式，向以“自主行动”为核心的Agent模式迈进，企业智能化的目标也正从单一环节的“效率提升”转向全价值链的“业务重构”。
然而，智能体从实验室原型走向企业核心生产系统的“最后一公里”依然充满挑战。
崔丽指出，在电信、金融、能源等高可靠性要求的行业，如何解决随机性模型与确定性业务之间的矛盾，如何确保长程任务的稳定性，以及如何构建可信的安全边界等，成为阻碍Agent规模化落地的核心挑战。
在核心业务中，AI“幻觉”是不可接受的风险，企业无法容忍一个“黑盒”在没有人类审核的情况下做出关键决策。
而由于上下文窗口限制，在处理跨天、跨周的复杂任务链时，模型容易出现记忆丢失或逻辑断裂，导致Agent开发的复杂度呈指数级增长。
此外，Agent的核心能力在于使用工具，即执行代码、调用API、操作数据库，这也会带来安全风险，比如工具调用可能带来沙箱逃逸、资源耗尽和数据泄露等。
“除了技术层面挑战，企业现有的IT环境是复杂的‘新旧混杂’体，存在接口标准化缺失、数据孤岛等问题，同时必须考虑推理和维护成本与ROI的平衡。”她补充道。
深水区实践
基于“AI向实”的一系列探索，哪些行业能率先跨越概念验证，实现AI价值的规模化复制？产业间已经逐渐找到方向。
崔丽对记者总结了其中关键特征：信息密集、数据结构化程度高、具备强反馈机制、价值闭环极快（如视觉质检直接提升良率）、有一定容错度、具备一定范围泛化能力。
此外，智能化转型的基础是网络化和数字化，数字化转型较好的行业也更容易进行智能化转型。
从具体产业看，她指出，教育、医疗、软件开发、智能制造、城市治理等可能率先完成价值闭环。
比如制造业凭借其高度结构化的数据环境和明确的效率指标，成为AI价值变现的“排头兵”；城市治理则依托海量的多模态数据和迫切的公共安全需求，正在通过“城市智能体”模式实现从被动响应到主动预防的跨越。
而一旦这些具体行业的数智化转型进入“深水区”，也就意味着转型从外围辅助系统进入向核心生产系统渗透的关键阶段。
“在浅水区，AI主要用于容错率较高的办公自动化、简单问答机器人或离线数据分析；进入深水区意味着AI开始介入网络运营、电网调度、城市应急指挥等核心业务流。”崔丽指出，由此将面临更为复杂的局面：“三多”即多模态数据、多厂家设备、多业务场景；“三新”为新技术（大模型、Agent）、新架构（云边端协同）、新安全威胁；“三跨”则是跨领域知识融合、跨系统数据调用、跨组织流程协同。
技术路径上，在驱动各行各业融入AI发展过程中，此前曾出现“通用基础大模型+行业精调”或者从零开始构建行业专属小模型的不同路线。对此，崔丽指出，这将并非是“二选一”，而应采用“云边协同”的混合路径。
“通用基础大模型+行业精调”是构建企业“大脑”的最有效路径，它解决了认知层面的通用性与专业性矛盾，能以低成本继承通用逻辑能力，解决知识密集型任务。
从零构建行业专属小模型是构建企业“四肢”的可行方案，在非自然语言、极致边缘和极致隐私场景下不可或缺，它解决了感知与执行层面的效率、适配和安全问题。
她进一步说明，通用大模型是基于人类语言和互联网图像训练，面对工业领域的振动波谱、雷达信号、基因序列等“非自然语言”数据，通用模型的先验知识反而可能成为噪音。
此时，从零构建专用的各类CNN（卷积神经网络）或Transformer模型是必须的；对于极致时延和功耗场景，如在矿山无人驾驶卡车或高速贴片机上，推理时延必须控制在毫秒级，且算力受限于嵌入式芯片。此时，训练一个参数量在几百万到几亿的专用小模型，是唯一可行的方案。
面向对数据隐私和主权有极致要求的场景，例如金融或核心基础设施，虽然私有化微调可以解决部分问题，但为了确保模型内部没有任何潜在的偏见或后门，会选择完全物理隔离环境下的从零训练。
“当然，需要注意AI本身已经在重塑软件工程，在一些创新领域，高效利用AI代码大模型试错，可以在一定程度上加速试错和降低成本。”崔丽补充道。

在人工智能大模型迅猛发展的背景下，“基座模型是否会收敛，而垂域模型将丰富应用”这一问题触及了当前AI技术演进的核心趋势。我们可以从技术演化、经济效率、应用场景和生态格局四个维度进行深入剖析，得出一个兼具前瞻性与现实性的综合判断：
一、基座模型趋于“技术收敛”：强者恒强，但非单一垄断

随着算力成本、数据规模和训练经验的集中化，通用大模型（即“基座模型”）正在经历一种功能性收敛——即在语言理解、推理、多模态等基础能力上，领先模型之间的差距逐渐缩小，形成少数几个具备全球竞争力的“超级基座”。
技术门槛极高：训练千亿级参数模型需万卡级GPU集群、PB级高质量语料与顶尖算法团队，仅少数科技巨头（如OpenAI、Google、Meta、阿里、百度、智谱AI等）能持续投入。
性能趋近天花板：在多项基准测试（如MMLU、GSM8K、HumanEval）中，顶级模型已接近或超越人类平均水平，边际提升难度加大。
开放与闭源并存：虽然存在如Llama系列这样的开源基座推动“去中心化”，但真正领先的闭源模型（如GPT-4、Claude 3、通义千问Qwen-Max）仍掌握在头部企业手中。

因此，基座模型不会完全统一为“一个模型”，但会收敛为“少数几个高度成熟的技术范式”，呈现出“多极共存、动态竞争”的格局。
二、垂域模型爆发：从“通用智能”到“专业智能”的跃迁

当基座模型提供强大的通用能力后，真正的价值释放将发生在垂直领域。行业场景的复杂性决定了“通用≠可用”，必须通过知识增强、流程嵌入、安全可控等方式构建专用模型。
垂域模型兴起的三大驱动力：

1. 领域知识深度要求高
医疗诊断需融合医学文献、临床指南与真实病例；
法律咨询依赖判例库、法规更新与逻辑推理链条；
工业制造涉及设备参数、工艺流程与故障模式。
   > 这些知识难以仅靠基座模型自发掌握，必须通过微调、检索增强（RAG）、知识图谱融合等方式注入。

2. 合规性与安全性需求强烈
金融、医疗、政务等领域对数据隐私、审计追溯、决策可解释性有严格要求；
基座模型输出不可控，易产生幻觉或泄露敏感信息；
垂域模型可通过裁剪、蒸馏、本地部署实现“可信AI”。

3. 用户体验需高度定制化
客服机器人需匹配品牌语气与服务流程；
教育辅导要适配不同学段、教材版本与学习风格；
制造业中的预测性维护需对接OT系统与实时传感器数据。

因此，垂域模型不是简单“套壳”，而是“基于基座+行业Know-how+工程闭环”的重构创新，将成为AI落地的主要载体。
三、架构演进：从“单体巨兽”到“分层协同”的生态系统

未来AI系统的主流架构将是“基座+中间层+垂域”三层结构：

| 层级 | 功能定位 | 典型代表 |
|------|--------|---------|
| 基座层 | 提供通用认知能力（语言、视觉、推理） | GPT-4、Qwen-Max、Claude 3 |
| 中间层 | 领域适配模型（Domain-adapted Models），如法律、医疗、金融专用底座 | BloombergGPT、Med-PaLM、Legal-BERT |
| 垂域层 | 场景化应用模型，集成业务逻辑与私有数据 | 某三甲医院AI辅助诊疗系统、某银行信贷风控引擎 |

这种分层模式实现了：
资源共享：避免每个企业重复训练百亿级模型；
快速迭代：垂域模型可在小样本下高效微调；
生态协作：形成“平台+开发者+行业专家”的共创机制。
四、商业模式转型：从“卖模型”到“卖服务+卖解决方案”

随着基座模型逐步标准化，其盈利模式将从“API调用费”转向更深层次的价值绑定：
基座厂商：提供平台化服务（如Azure OpenAI、阿里云百炼），赚取基础设施与接口费用；
垂域开发商：结合行业理解，打造SaaS化AI产品（如AI律师助手、AI医生顾问），按效果收费；
传统企业：成为AI系统的“数据供给者”与“场景定义者”，深度参与模型训练与验证。

最终形成“基座开放、中间共建、应用百花齐放”的产业生态。
五、潜在挑战与未来展望

尽管趋势明朗，但仍面临多重挑战：

| 挑战 | 可能影响 | 应对方向 |
|------|--------|----------|
| 基座依赖风险 | 中小企业过度依赖少数API，丧失自主权 | 推动开源模型、联邦学习、边缘计算发展 |
| 垂域数据壁垒 | 行业数据分散且难以共享 | 构建安全的数据交换机制（如隐私计算） |
| 评估体系缺失 | 缺乏统一标准衡量垂域模型效能 | 建立行业级评测基准与认证体系 |
| 人才结构性失衡 | 既懂AI又懂行业的复合型人才稀缺 | 加强交叉学科教育与产教融合 |
结论：“基座收敛、垂域繁荣”是必然趋势，但需构建可持续的协同生态

在AI大模型的发展进程中，我们正见证一场深刻的“分工革命”：
基座模型如同电力网络，提供基础能源；
垂域模型则是各类电器，直接服务于生产生活。
正如电网不会无限扩张家电种类，基座也不会替代所有应用；相反，正是因其稳定输出，才催生出更加多样化、精细化的智能服务形态。

未来十年，AI的竞争焦点将不再是“谁拥有最大模型”，而是“谁能最快地将通用智能转化为行业价值”。真正的赢家，将是那些既能驾驭基座之力，又能深耕垂直之深的企业与组织。

📌 AI应用深入产业深水区的核心路径
AI正从内容生成、辅助决策走向更深层次的产业融合，特别是在智能制造、医疗、金融等领域，AI不仅提升了效率，更在逐步构建价值闭环。

领域    AI应用方向    价值闭环体现
智能制造    机器人控制、质量检测、流程优化    提升良率、降低维护成本、缩短交付周期
医疗    皮肤科专病模型、病历分析、辅助诊疗    缩短诊疗时间、提高诊断准确率、减少人为失误
金融    智能营销、风险控制、客服自动化    提升响应率、降低运营成本、增强反欺诈能力
这些垂直场景的AI应用并非简单堆砌模型，而是结合了行业知识与AI技术的深度融合，推动AI从“能用”走向“好用”1。

⚙️ 技术路线的分化与融合
当前AI在物理世界的落地存在两大主流技术路线：

VLA模型：以序列建模为核心，适用于策略规划，但缺乏因果推理1。
世界模型：强调构建环境内部模型，支持虚拟试错与高样本效率，更适合实时决策1。
两者并非对立，而是融合趋势明显，例如：

VLA用于高层策略，世界模型用于底层验证。
行业大模型+通用大模型协同优化2。
这种融合策略让AI在跨场景应用中更具稳定性与泛化能力。

🧭 挑战与未来方向
AI在产业深水区仍面临几个关键挑战：

模型幻觉问题：在高可靠性行业如金融、能源，模型错误可能导致严重后果7。
上下文窗口限制：跨天、跨周任务链容易出现逻辑断裂1。
数据安全与合规：医疗、金融等领域的敏感数据流通仍需可信机制15。
但随着AI原生网络架构、可信数据空间、工具链完善，这些挑战正被逐步克服。

✅ 结论：AI正从技术突破走向产业闭环
AI在多个行业已从技术验证阶段迈向价值闭环阶段，特别是在信息密集、反馈机制强的场景中，如医疗、制造、金融等，AI正在成为真正的生产力工具。